TalkingData: 从客户体验到客户经营,电子银行的数据增长之路

近日,“科技重构金融未来”——中国电子银行联合宣传年2018贵阳高峰论坛顺利举行,贵阳市政府、近百家银行相关部门领导、金融科技企业和学术专家共计约150余人参会。TalkingData首席金融行业专家鲍忠铁出席本次论坛,并就数字时代下的电子银行、从客户体验到客户经营以及数据增长工具和案例三个方面分享了关于电子银行的数据增长之路的思考。

MarkdownTalkingData首席金融行业专家 鲍忠铁

在过去的几年中,国内电子银行的产品功能和用户体验日渐趋同,从应用商店的评分看,差距不大。TalkingData移动数据研究中心的报告指出,移动智能终端用户平均安装与平均每日打开应用款数已持续两年出现下滑,平均每天打开的应用款数从24.6降为20,手机流量向头部APP迁移。线上流量成本过高,获客告别野蛮增长时代,移动互联网已进入了存量经营的时代。

手机银行如何定位?是线上渠道还是线上网点?鲍忠铁认为,中国手机银行出现时定位为渠道,为客户提供移动金融服务,而在未来它将转向线上经营场所,其数据运营能力需要向互联网头部APP学习。互联网产品讲究三分产品、七分运营,手机银行的运营工具和运营能力均需要提升。

麦肯锡在其分析报告中提出了银行应具备的五种数字化能力,即数据驱动的数字化洞察力、一体化的客户体验、数字化营销、数字化运营以及下一代技术。其中数字化运营能力及数字化营销能力是电子银行需要高度重视的两大能力,也是所有手机银行应该重视和投入资源的方面。如何从数据中发现商业机会,找到营销点、找到场景?银行需要利用营销提高数字化转化率,手机银行不仅仅需要服务固有客户,也要作为一个网点去吸引其他客户。

对于电子银行未来的发展,鲍忠铁指出,电子银行未来的发展需要从客户体验逐步转为客户经营。在确保产品体验和功能不落后行业的前提下,逐步建立数字化运营体系,将重点转向客户经营。通过数字化运营体系的建立来提升客户活跃度、满意度、单个客户的价值,并建立数字运营闭环。

数据驱动增长的目标,是在所有的营销活动和业务运营中,找到投资回报率最高的方式。数据增长和精准营销也有所不同,精准营销偏向于客户的获取,在广告界更为常用;而数据增长关注的是整个用户生命周期,强调量化结果、优化产品、传播产品、数据驱动业务增长。鲍忠铁认为,要实现数据增长的理论目标,需具备三项基础:理论方法、工具平台、团队。先从理论方法入手,增长理论包括北极星指标、增长模型、用户心理学、增长流程。二是数据分析工具,支持增长需要平台,数据中转时需要数据分析工具,包括了指标体系、统计分析、漏斗分析、趋势分析。最为关键和核心的是要进行数据实验。

有关数据增长营销中台的建设,营销中台上层是业务需求,比如财富管理人群、流失客户预警以及潜在高价值客户的寻找、促活、转化,这些都是业务需求,需要事件营销场景去支持。在很多传统的金融企业、特别是电子银行里缺少这样的营销中台,而更多只有数据中台。TalkingData针对数据增长的理论和框架推出了AE系列产品,目标是打造与互联网企业具有同样领先能力的运营中台,目前已经迭代到了最新的5.0版本。

AE 5.0具有基础分析、行为分析、精细分析、用户洞察和人群细分几大功能,所有功能都是为了支撑客户体验优化,包括产品迭代和数据资产变现。AE 5.0的一大特点就是可以无码埋点、零动分析,所有的埋点都可以自动化操作,对线下网点分析、线下活动、线下网点开设都有指导作用。

最后,鲍忠铁还分享了一个实际案例,某银行与TalkingData合作,将行内的数据与TalkingData的数据打通,通过筛选、建模形成用户画像,对不同人群进行精准营销。与以往粗犷式营销相比,不仅降低了成本支出,还保障了营销运营成本风险的可控性。

T11 2018数据智能峰会完整注册流程

T11 2018马上就要开始啦,相信很多小伙伴都想问,该如何注册参会呢?本文就教给大家! PC端注册流程

1、复制下方活动链接,并在浏览器中打开

http://www.huodongxing.com/event/1451528267400

2、 点击“我要参加”,选择对应的票种及数量,如有优惠码可进行输入

Markdown

3、点击“使用”进行优惠码验证,点击“我要参加”,验证联系方式(如无优惠码,直接点击“我要参加”,验证联系方式)

Markdown

4、填写报名表单,点击“提交”,进行付款

Markdown

移动端注册流程

1、点击文末“阅读原文”

2、如有优惠码可点击“我有优惠码”进行输入

Markdown

3、点击“确认”进行优惠码验证,点击“立即报名”(如无优惠码,直接点击“立即报名”)

Markdown

关于发票

购票发票(增值税普通发票)将于活动结束后10个工作日内邮寄,开票信息及邮寄信息请发邮件至:T112018@tendcloud.com 注:需附订单截图、预定人姓名及订单号

好啦,以上就是 T11 2018的注册流程,小伙伴们,我们9月11号见!偷偷地告诉你们,后面的文章或互动活动中,小编会发放优惠码和T11门票哟,请持续关注TalkingData公众号!

T11 2018报名参会,请点击

邀您见证数据智能的突破 | T11 2018整装待发

MarkdownMarkdownMarkdown

2018年 即将揭晓

Markdown

一年一度的大数据领域盛会 T11 2018 整装待发 同一个时间——2018年9月11日 同一个地点——北京·中国大饭店

T11 2018暨TalkingData数据智能峰会,邀请您与TalkingData和5000+各行业精英一起,探讨数据赋能社会转型升级的突破性思路,分享数据驱动各行业成效提升的突破性案例,打破传统商业模式、打造开放连接生态,用突破诠释数据的力量。

1个主题

突破

突破,创造新生;突破,成就非凡;突破,颠覆时代。大数据、云计算、AI、区块链……无限的0、1世界中,一次次技术突破,带来无限价值与机遇。

所谓不破不立,TalkingData将带您一起突破、跨越,用数据洞察引领智慧突破,用突破跨越发展困境,探秘数据智能驱动的全新世界。

2个方向

智能化

数据与智能的关系就像血液与大脑,而大脑才是创造智慧的主体。当下,数据只是起点,更关键的是从数据中形成智能,用智能来提升决策的质量与效率。

成效化

当下,是否要进行数字化转型已不是问题,如何用数据智能带来效率与效益的实际提升,打通从数据到成效的闭环,才是数据驱动转型的关键所在。

3大亮点

“成效合作伙伴”典型案例首次发布 TalkingData已经进行了近一年的“成效合作伙伴”实践,此次大会将首次邀请TalkingData在零售行业的“成效合作伙伴”,解读“成效合作”的典型案例。

神秘评选结果隆重揭晓 T11近年都会发布移动应用行业的重磅奖项。本次大会上,将为大家揭晓对于金融、零售、游戏等热门行业来说,最具投放价值的受众人群到底在哪里。

“TalkingData顾问天团”首次亮相

TalkingData强势发展战略与路径的背后,隐藏着一支国际化的“顾问天团”。此次大会即将首次邀请“顾问天团”的几位资深行业专家集体亮相,分享他们的前沿视野、独到见解与丰富经验。

4年积累

从2015年首次举办,T11已进入了第4年。支撑T11在4年中逐渐成长、成熟的,也是TalkingData成立7年中的不断发展与演进。

4年来,T11汇聚海内外知名专家、学者、数据科学家等相关从业者,总结了大数据行业的发展趋势,也积累了广大合作伙伴在各行业转型方面的实践经验。

5大峰会

  • 数据智能峰会
  • 新金融峰会
  • 新零售峰会
  • 智胜营销峰会 智慧城市峰会

∞可能

互联网、金融、零售、汽车、房地产、航旅、医疗、制造、政府……

数据与各行各业相结合,产生丰富多样的应用场景,带来不可估量的商业价值与社会价值。

数据改变企业决策,数据改善人类生活,无限潜力,无限可能。

了解T11 2018详情及报名参会,请点击

技术专栏 | 集合管道模式(下)

​前一篇文章中,我们了解了集合管道:集合管道是一种编程模式,将一些计算转化为一系列操作,通常情况下每个操作的输出结果是一个集合,同时该结果作为下一个操作的输入,常见的操作主要有filter、map和reduce。,今天我们继续了解集合管道模式的定义等。

二、定义

我认为集合管道是一种指导我们如何模块化和构建软件的模式。和多数模式一样,它经常出现在各种场景中,虽然对此我们习以为常,但是这种模式却别具一格。模式可以解决特定的设计问题,帮助设计者将新的设计建立在以往工作的基础上,复用以往成功的设计方案。

集合管道展示了一系列彼此间传递集合的操作,这些操作的输入输出都是集合,但是其中不包括终端操作,因为终端操作只会输出单个结果。个别的操作可能非常简单,但是你可以使用各种简单操作构造复杂的行为,想象一下现实世界中纵横交错的管道。

集合管道是管道过滤器模式的一个特例,管道过滤器中的过滤相当于集合管道中的操作,之所以没有使用过滤这个词语,因为过滤是一种常用的管道操作名称。从另一个角度看,集合管道是一种组成高阶函数的特殊方式,其中涉及的所有函数均作用于某种形式的数据结构,该模式没有确切的名称,需要使用一个新的术语。

操作彼此间传递的信息在不同的环境中有着不同的形式:

  • Unix 中集合是一个由多行文本组成的文件,各种值通过空格连接组成了其中的行,每个值具体表示的含义依赖于行中的排序。管道操作符可以将某个操作的输出重定向到下个操作的输入,集合由管道操作符组成,操作在 Unix 中表示进程。
  • 在面向对象程序中集合用集合类表示,例如 listarray set 等。集合中的每个元素都是对象,对象可以是普通类或集合类的实例。操作是集合类本身(或基类)中定义的各种方法,可以由方法链组成。
  • 在函数式语言中集合与面向对象语言有些类似,集合元素可以定义复杂的层次结构,操作是函数,可以通过嵌套或者使用形成线性表示的运算符组成,例如 Clojure 的箭头运算符。

这种模式也会出现在其它地方。当关系模型首次定义时,其假定所有数据都表示为数学上的关系,就是说n个集合的笛卡儿积的一个子集,数据可以通过关系演算和关系代数的一种方式来操作,你可以将其视作一个集合管道,操作中产生的中间集合被约束为关系。SQL最初作为关系数据库的标准语言而提出,而在实际上总是违背它。所以SQL DBMS实际上不是真正的RDBMS,并且当前ISO SQL标准不提及关系模型或者使用关系术语或概念,SQL使用了一种类似于推导的方式(稍后我会讨论)。

这样一系列转换的概念是软件构建中常见的方法,这也是管道过滤器模式的设计意图。编译器工作原理相似,将源码转换为语法树,途经各种优化,最后输出目标代码。 关于集合管道的区别:各阶段公用的数据结构是集合,最后限定一组特定的公共管道操作。

三、探索更多管道和操作之 map 和 reduce

到目前为止,涉及的是一些常用的管道操作,接下来通过 Ruby 事例代码,让我们来探索更多的操作。诚然使用其它支持该模式的语言,也会构造相同形式的管道。

统计单词总数(map 和 reduce)

通过统计所有文章单词总数的例子,让我来介绍下两个最重要的管道操作。

第一个 map使用给定的 lambda 表达式,作用于输入集合的每个元素,将 lambda 表达式结果以集合的方式返回。

[1, 2, 3].map{|i| i * i} # => [1, 4, 9]

通过使用 map 将文章列表转换为每篇文章单词总数列表。

第二个 reduce输入集合经过累计运算,最终输出单个结果。具有类似功能的任何函数都可以称作 ReductionReduction 在集合管道中总是以终结者的身份最后登场。通常情况下,可以使用两个入参的 lambda 表达式来定义 Ruby 中的 reduce 函数,一个入参是集合元素,一个是累加器。 reduce 的过程中,使用 lambda 表达式作用于每个元素,累加器会累计每次 lambda 的返回结果。接下来你可以这样求和:

[1, 2, 3].reduce {|acc, each| acc + each} # => 6

之后使用 map reduce 构造两步操作的管道来统计单词总数。

some_articles
  .map{|a| a.words}
  .reduce {|acc, w| acc + w}

第一步使用 map 将文章列表转换为每篇文章单词数列表,第二步使用 reduce 累计求和。

在这点上,值得一提的是管道上的操作你可以使用不同的方式定义,上面使用的是 lambda其实仅使用函数名称也是可以的,例如在 Clojure 中:

(->> (articles) 
     (map :words) 
     (reduce +))

该场景中,你只需要关注函数名称,对于 Ruby 也可以使用同样的风格:

some_articles 
    .map(&:words) 
    .reduce(:+)

通常情况下使用函数名称看上去更精炼,但是你会受限于函数的声明和调用方式。lambdas 可以提供更大的灵活性,但是你需要了解更多的语法。关于使用何种语言构造管道,如果 Ruby,我倾向于使用 lambda,如果 Clojure,则是函数名称。具体使用何种方式,你可以自由选择。

四、探索更多管道和操作之 group-by

统计每种类型的文章数(group-by)


接下来我们会统计每种类型的文章数,依据统计结果输出的形式,需要使用一个键是类型值是文章数的 hashmap

为了解决这个问题,首先我们需要根据类型对所有文章进行分组,这里使用的集合操作就是 group-by,通过使用该操作,会将所有元素射到 hash 中,而索引值依据在此元素上执行给定代码的返回结果。 让我们来看看具体使用的细节:

some_articles
  .group_by {|a| a.type}

然后需要统计每种类型下的文章数。你很可能这样认为,不就是一个简单的 map 操作吗?但实则不然,因为这里需要返回两种维度:分组和数量。这和我们之前介绍 map 的例子有些许联系,但是此时需要使用 group-by 输出 hashmap。

想想开篇中 Unix 的命令行,这个问题在 Unix 中是很常见。集合通常以 list 形式出现,但有时却是 hash,有时候需要在二者之间来回转换。有个取巧的做法是将 hash 视作键值对列表,其中键值对是一种独立结构。关于如何定义 hash 每种语言略有差异,但通常是这样:[key, value]。

Ruby 提供了 to_h 方法可以将数组集合转为 hash

some_articles
  .group_by {|a| a.type}
  .map {|pair| [pair[0], pair[1].size]}
  .to_h

在管道中 list hash 经常这样互转,但是访问 hash 却需要使用数组下标的方式访问,多少有些怪异, Ruby 可以将其解构为两个独立的变量:

some_articles
  .group_by {|a| a.type}
  .map {|key, value| [key, value.size ]}
  .to_h

在函数式编程语言中解构是一种常见的技术,但是传递这些 list-of-hash 数据结构性能上势必会有所损耗。Ruby 的解构语法非常简单,而且足以达到这个简单目的。

同样 Clojure 更是如此:

(->> (articles)
     (group-by :type)
     (map (fn [[k v]] [k (count v)]))
     (into {}))

2018二季度移动智能终端市场报告

2018年二季度,移动智能终端市场走向如何?安卓设备用户又在哪两个品牌之间流动?TalkingData推出《2018二季度移动智能终端市场报告》,回顾二季度移动设备市场概况,分析安卓设备用户换机行为。

Markdown

中国移动智能终端规模已达15.1亿

2018年二季度,中国移动智能终端规模增速有所回升,终端规模已达15.1亿台。

Markdown

二季度小米品牌市场份额增长明显

2018年二季度,移动智能终端市场格局整体保持稳定,TOP10品牌排名未发生变动。苹果仍然以27.71%的份额占据榜首位置,OPPO以13.66%的份额成为国内安卓厂商领头羊。二季度小米品牌市场份额取得强势增长,相比一季度上升了2.55%。

Markdown

苹果与OPPO贡献最多高份额机型

单款机型表现上,苹果品牌保持领先优势,iPhone 6、 iPhone7 Plus 、iPhone 6S包揽了机型市场份额前三位。机型市场份额TOP 20中,苹果品牌占据10款,OPPO占据6款,两家贡献了最多的高市场份额机型。

Markdown

2017年底发售机型为主要增长点

2018年二季度,机型市场份额保持增长的主要还是2017年年底发售的机型。在机型市场份额增长TOP 20中,有15款发布于去年下半年,有8款发售于去年年底的11-12月。

2018年发布的新机型中,vivo X21以0.44%的份额增长居于第三位。

Markdown

一线市场苹果领先,安卓品牌深耕三线

在设备活跃城市层级分布中,苹果用户中一线、二线城市的占比要高于其他品牌。而安卓品牌用户分布主要以三线及以下城市为主,一线及二线城市占比最高的安卓品牌为华为及三星。

Markdown

华东、华南地区偏好iPhone

在华东、华南等地区,苹果在TOP品牌中更受欢迎。而OPPO在华中、西南地区更受欢迎,华为、vivo在华中地区更受喜爱,三星在东北地区最受欢迎。

Markdown

OPPO、vivo品牌用户流通最为常见

2018二季度安卓设备换机用户中,华为用户中有62.2%、小米用户中53.5%仍会选择本品牌,二者的品牌忠诚度最高。相似的定位促进了OPPO和vivo之间的用户流通,OPPO用户换机时有23.1%选择vivo,而vivo用户换机时有28.3%会选择OPPO,在跨品牌换机中占比最高。三星用户中的87.3%在换机时不会再选择三星,品牌忠诚度在安卓TOP5品牌中最低。

Markdown

典型机型换机分析:OPPO R15 换入OPPO R15的用户中,51.9%来自OPPO本品牌,48.1%来自其他品牌,其中来自vivo的用户占比为16.0%。换入OPPO R15的机型来源中,OPPO R9排在首位,机型来源TOP10中全部为OPPO机型,品牌内机型升级是主流。

Markdown

小米新用户更多的关心车子与房子

在二季度换机时选择其他品牌的用户中,选择小米的新用户对于汽车类、房产类、家居类应用的偏好更为突出,小米新用户的生活目标更多的集中在车子、房子。OPPO新用户更关心影音娱乐,而华为新用户更关心房产、健康与商旅出行,与其成熟商务形象相符。

Markdown

Markdown

简明数据科学第九部分:回归模型的相互作用和局限性

作者丨Pradeep Menon

原文丨https://datascientia.blog/2017/08/27/dss-p9-interactions/

译者丨TalkingData 张永超

编者按:

此篇文章结束后,简明数据科学系列算作一个阶段性的结束。虽然数据科学不止这么写内容,但是“温故而知新”,打算回顾一下之前的内容并加以练习,以加深相关概念和内容的理解。什么时候继续进行简明数据科学的内容更新,时间待定。

在之前的文章中,我们讨论了回归模型,费尔南多已经建立了一个多元回归模型,该模型的具体形式如下:

价格 = -55089.98 + 87.34 x 发动机大小 + 60.93 x 马力 + 770.42 x 宽度

该模型通过发动机大小、马力和宽度来预测或者估算汽车的价格。回想之前的内容,多变量回归模型是假定了预测因子是相互独立的,即发动机大小、马力和宽度是不相关的,独立的。但是在实际中,变量之间相互独立的情况很少,如果马力,发动机大小和宽度之间存在关系,该怎么办?这些关系可以模拟吗?

在本篇内容中,将解决这些问题,并解释相互作用的相关概念。

概述

预测因子之间相互独立意味着如果一个预测因子发生了变化,那么目标也会产生影响。这种影响与其他预测因子的存在和变化无关,目标和预测因子之间的关系是相加的、线性的。例如费尔南多的方程式:

价格 = -55089.98 + 87.34 x 发动机大小 + 60.93 x 马力 + 770.42 x 宽度

如果以发动机大小为标准,那么改变一个单位的发动机大小,汽车的价格变化87.34。而这种解释并没有考虑汽车的马力和宽度与发动机大小之间的联系。

难道汽车越来越大,发动机越来越大吗?

根据上述,费尔南多创建了一个全新的模型,其表达形式如下:

价格 = β0 + β1.发动机大小 + β2.马力 + β3.宽度 + β4.(发动机大小.宽度)

第三个预测因子捕获发动机大小和车辆宽度之间的关系,这第三个预测因子被称为交互项。其中 β1.发动机大小 + β3.宽度 称为主要项。发动机大小x宽度为交互项。

上述等式重新组合后,形式为:

价格 = β0 + (β1 + β4. 宽度) 发动机大小 + β2. 马力 + β3. 宽度

现在,如果宽度增加1个单位,β4可以解释为对发动机尺寸的影响。

模型构建

费尔南多根据上述理论重新构建了模型,在统计软件中得到如下的参数:

Markdown

该等式变成:

价格 = 51331.363 – 1099.953 x 发动机大小 + 45.896 x 马力 – 744.953 x 宽度 + 17.257 x 发动机大小:宽度

价格 = 51331.363 – (1099.953 – 17.257 x 宽度)发动机大小 + 45.896 x 马力 – 744.953 x 宽度

让我们来解释这些系数:

  • 发动机的大小、马力和发动机的大小:宽度(交互项)都很重要。
  • 汽车的宽度并不重要。
  • 将发动机尺寸增加1个单位可将价格降低1099.953美元。
  • 马力提高1个单位,价格上涨45.8美元。
  • 交互项很重要,这意味着真正的关系不是叠加的。
  • 将发动机尺寸增加1个单位也会使价格提高(1099.953 – 17.257 x宽度)。
  • 测试数据的调整R平方为0.8358 =>该模型解释了83.5%的变化。

请注意,汽车的宽度并不重要。那么将它包含在模型中是否有意义?这里有一个被称为分层原则的原则:

分层原则:当模型中包含交互时,主要效果也需要包含在模型中。即使个体变量在模型中不显着,也需要包括主效应。

费尔南多现在运行该模型并测试测试数据的模型性能。

Markdown

该模型在测试数据集上表现良好。测试数据的调整R平方为0.8175622 =>该模型解释了位置数据变化的81.75%。

费尔南多现在有一个最佳模型来预测汽车价格并购买汽车。

回归模型的局限性

回归模型是数据科学的主力,是数据科学家工具箱中的一个令人惊叹的工具。当被有效使用时,他们在解决大量现实生活中的数据科学问题方面非常出色。然而,他们确实有其局限性。简要解释回归模型的三个局限性:

非线性关系:线性回归模型假定变量之间是线性的,如果关系不是线性的,那么线性回归模型可能无法按预期执行。

实用提示:使用像日志这样的转换将非线性关系转换为线性关系

多重共线性:共线性是指两个预测变量彼此相关的情况。当有很多预测因子和这些预测因子相互关联时,它被称为多重共线性。如果预测因子彼此相关,则特定预测因子对目标的影响很难被隔离。

实用提示:通过仔细选择预测变量来简化模型。限制选择太多相关的预测变量。或者,使用创建新的不相关变量的主要组件等技术。

异常值的影响:异常值是远离模型预测的值的一个点。如果目标变量中有异常值,模型将被拉伸以适应它们。针对少数离群点进行太多的模型调整。这使得模型倾向于异常值。对于大多数人来说,模型的拟合没有任何好处。

实用提示:删除用于建模的异常点。如果目标中存在太多异常值,则可能需要多个模型。

总结

至此,简明数据科学系列将告一段落,此阶段的主要目的是了解数据科学的基础,以及线性回归模型的从0到1。最后讨论了现行回归模型的局限性,在实际应用的过程中,可能需要进行数据的统计分析来分析数据以及数据之间的关系,如果是线性的,即可直接使用线性回归模型,若非线性,可能要使用其他方法,或者想法设防将非线性转换为线性关系后使用线性回归方法,需要根据实际情况而定。

2018年5月移动游戏Benchmark指标数据

2018年5月移动游戏Benchmark解读:

付费率:2018年5月,Android和iOS平台移动游戏用户的付费率总体环比上月持平,其中,Android平台策略类移动游戏的付费率环比增长1.2%,iOS平台角色扮演类移动游戏的付费率环比下降0.4%;

用户活跃度:2018年5月,移动游戏用户的Dau/Mau处于比较稳定的状态,但活跃率情况总体有所下降,其中,Android平台棋牌类移动游戏的周活跃率环比下降2.6%,月活跃率环比下降11.1%;

用户留存率:2018年5月,Android平台移动游戏用户的一日玩家比例相比上月整体有所微降,其中,卡牌类移动游戏的一日玩家比例环比上月下降0.1%,其次日留存率和7日留存率则分别上升4.2%和1.9%;

使用时长&次数:2018年5月,iOS平台移动游戏用户的日均游戏次数和平均每次游戏时长环比上月有所增长,其中,模拟类移动游戏的日均游戏次数环比增长3.0%,平均每次游戏时长环比增长7.5%。

MarkdownMarkdownMarkdownMarkdownMarkdownMarkdownMarkdownMarkdown

活动回顾|思·变 探索泛娱乐下的新机遇

Markdown现场认真听讲的同学们

8月2日,TalkingData在上海成功举办了《思·变|探索泛娱乐下的新机遇》为主题的线下沙龙。在本次沙龙中,我们诚意邀请到TalkingData 华东区开发者业务高级经理 张亚刚、Tapjoy 中国区总经理 蔡志辉和上海晨之科信息技术有限公司首席运营官 蒋钰,为现场来宾们分享有关泛娱乐方面的营销、运营以及跨界合作等方面经验。现在,我们一起回顾下在本次沙龙中嘉宾们分享了哪些行业干货。

〖一.思·变 探索泛娱乐下的新机遇〗

Markdown

分享人:张亚刚
TalkingData 华东区开发者业务高级经理

在本期沙龙中,张亚刚分享了2018年6月各类别应用月活跃量及活跃率分布情况。通过该图表张亚刚为现场同学解读出通讯社交和视频类应用覆盖了80%以上的互联网人群,此项数据表明沟通和娱乐是刚需。

Markdown

张亚刚还分享了在泛娱乐生态下,泛娱乐流量层和泛娱乐关系网的数据图表。通过图表阐述了,泛娱乐细分领域交融共生,促进生态与文化互相吸收借鉴。

Markdown

在沙龙现场,张亚刚表示移动游戏伴随移动互联网应运而生,给予用户在移动碎片化生活中放松身心的娱乐空间,热血男儿中3/4的游戏网龄至少达到3年,87%曾为游戏付费,接近一半的日均游戏至少1个小时,而且4成以上的愿意在家中、交通工具或公司等场景下玩游戏。

Markdown

1/3的游戏佳人分布在华东地区,说明华东地区不仅盛产美女,也是女性玩家集聚地,相比移动互联网人群,游戏佳人在东北地区的TGI指数超过120,说明东北女人也比较偏好移动游戏;游戏佳人不仅青睐奇迹暖暖的甜美,也喜欢王者荣耀的英姿。

Markdown

57%的游戏佳人曾为移动游戏买单,她们愿意将金钱花费在更厉害、更好看、以及皮肤/英雄等,比较重视游戏内的实力和装扮;43%的游戏佳人还未向移动游戏付费,有一半人以为免费的就挺好,40%的人则认为不如花在真实生活中。

Markdown

游戏佳人的休闲娱乐方式并不仅在于移动游戏,91%的她们还倾向观看影视,相对喜欢犯罪悬疑、综艺节目、偶像爱情、冒险科幻和青春励志等类型影视作品,最近观看较多的节目是综艺和电影;此外,她们对吃喝、阅读和游玩也有着较高的偏好。

Markdown

张亚刚还分享了2017年中国游戏直播用户数同比增长53.1%,预计2021年中国电竞行业收入超过 1.82亿美元;预计2018年中国H5小游戏累计用户数将超过4亿+,预计2018年中国H5小游戏市场收入规模将超过100+亿元,这两组数据。

通过以上两组数据,张亚刚表示电竞和直播是移动游戏粉丝经济的突破口。H5小游戏由于门槛低、玩法轻度,适应人们碎片化的移动互联网生活,而且能够利用平台入口切入人们的游戏需求。H5小游戏的发展也面临着变现和生命周期短等问题,如何将玩法与盈利取得平衡与长线运营是关键。

在沙龙现场张亚刚还分享了多个营销案例。

完整分享内容,点击文末链接,回顾沙龙视频。

二.通过游戏event高效玩转用户获取

Markdown

分享人:蔡志辉
Tapjoy 中国区总经理

本期沙龙现场,蔡志辉通过用户游戏时对积分墙的行为分析,分享了最好的事件/活动是什么、如何深入研究应用/游戏和多事件/活动实验等干货内容。在沙龙现场蔡志辉还分享了,如何通过用户事件和用户付费行为等采买用户的实战案例和独家见解。 完整分享内容,点击文末原文链接,回顾沙龙视频。

三.手游出海掘金带来的思考

Markdown

分享人:蒋钰
上海晨之科信息技术有限公司首席运营官

蒋钰表示巨头垄断市场大头,游戏公司资本退出通道不畅通,钱荒导致小团队生存压力巨大,但从大的发展趋势上来看,游戏本质上是文化创意,优质好玩的内容才是根本的核心竞争力,要回归关注游戏产品的本质。在沙龙现场,蒋钰还分享了宝贵的手游出海建议和实战案例。

TalkingData高铎:解读游戏生命周期曲线模型

第十六届ChinaJoy于8月3日至8月6日在上海新国际博览中心举办,第六届世界移动游戏峰会及展览会(WMGC)与ChinaJoy同地举办。WMGC峰会汇集全球移动游戏领域顶级精英,深入透析移动游戏发展规律,广泛探讨移动游戏前沿话题。TalkingData 副总裁高铎在此次峰会上与现场嘉宾们解读了《游戏生命周期曲线模型》和最新的行业观点。下面与读者们分享TalkingData总结出的四种生命曲线与健康度模型。

MarkdownTalkingData 副总裁高铎

冰与火之歌 解读四类游戏生命周期曲线

“Winter is Coming” 凛冬将至,是美剧《权利的游戏:冰与火之歌》中的经典台词,用它来描述一类游戏或应用的生命周期,再适合不过。“万事皆零落”,每款游戏都将要面对它的“凛冬”,而站在数据的“上帝”视角纵观数百款游戏的生命周期曲线,却能看到它们面对“ 凛冬”的不同态度,它们大致可以分为四个阵营,其一,强运营M型曲线,整体占比42.9%;其二,轻运营M型曲线,整体占比14.3%;其三,人形(丘陵)曲线,整体占比22%;其四,人形(泡沫)曲线,整体占比13.2%。

Markdown

当然,其中还有极少数“异类”曲线,我们在这里暂且不谈。下面首先看看占比42.9%的”正规军“,强运营M型曲线:

Markdown

强运营M型曲线-最大特点在于“持续运营对于其维持游戏生命周期和用户基础起到重要作用”,简单来说,强运营M型游戏在用户流失期,都需要以强运营的方式打一剂“强心针”,但在强心针过后往往将面对下一阶段的“并发症”,经过长时间的流失、激活、流失、激活反复“调理”,才能逐渐进入稳定期。

  • 冲榜期(≤4个月): 游戏上市推广的关键节点,在这个节点中需要加强游戏产品认知度与冲榜节奏。
  • 成长期(≈6个月): 需要精准定位用户人群进行多重曝光与触达,扩大用户基础和知名度。
  • 流失期(≈11个月): 通过产品迭代、后续优化和运营活动、市场推广,稳定存量用户的活跃率和留存率。
  • 稳定期(≥12个月) 挖掘稳定用户和忠诚用户价值,为其提供优质产品体验和客户服务,保证游戏稳健运转,最大化提升游戏产品生命周期。

那么强运营M曲线,从“游戏类型”、”游戏题材”、”美术风格”这三个维度来看,分别在哪些领域的健康度更高呢?(ps:什么是健康度?莫急,会在后面与大家分享)

Markdown

从数据上来看,中重度游戏较为符合强运营M曲线模型规律,角色扮演、武侠和中国风是优势领域,而跑酷游戏、音乐舞蹈题材和欧美动漫风格的游戏,在该领域的健康度较低。接下来我们看看同为M型曲线”宗室“的”轻运营M型曲线:

Markdown

轻运营M型曲线-特点在于“通过适度唤醒能带来新的阶段性上升期,具备一定用户忠诚度”。同为M型曲线,轻运营相比强运营有两大特征,其一,到达游戏活跃顶峰周期相对较短,且没有成长期过度阶段,在上升期阶段能够迅速得到用户体验;其二,有明显的“唤醒期”,在唤醒期游戏往往能够再次进入一个小波峰。

同样轻运营M型曲线我们也进行了四个阶段的归类,分为“上升期”、“流失期”、“唤醒期”、“稳定期”:

  • 上升期(≤7个月) 在上升期游戏的媒体曝光、用户口碑和渠道推广助推游戏快速升温。
  • 流失期(≈11个月) 用户开始对游戏缺乏新鲜感,活跃呈现自然回落趋势,用户群体出现自然流失现象。
  • 唤醒期(≈11个月) 利用版本迭代、资料片更新以及服务体验调优等方式,进行对沉睡玩家、流失玩家的唤醒及新用户触达。
  • 稳定期(≥12个月) 在稳定期维持用户黏性,减少用户流失。

Markdown

从数据上来看,轻度卡牌游戏更贴合M曲线发展,我们看到卡牌游戏类型、棋牌、麻将题材以及简约的美术风格是优势领域,相对健康度更高。在轻运营M曲线里的模拟养成、日韩风游戏的健康度相对较低一些。下面我们来聊聊游戏生命周期最长的人形(丘陵)曲线:

Markdown

人形(丘陵)曲线-最大特点在于“放长线,钓大鱼“,历经长期的市场培育,该类型游戏拥有稳定的用户基础,进而增强游戏变现能力”,从培育期到成长期,再到黄金期,该类型游戏活跃达到顶峰用时≤25个月,这也一反当下“割韭菜”模式的常态。

人形(丘陵)曲线的四个阶段分别为:“培育期”、“成长期”、“黄金期”、“流失期”:

  • 培育期(≤13个月) 凭借少量的市场推广,使游戏影响力稳定攀升。
  • 成长期(≈9个月) 在市场推广或用户口碑的刺激下,游戏用户量加速成长。
  • 黄金期(≈9个月) 游戏活跃持续保持在高位,成为游戏盈利的黄金节点。
  • 流失期(≥16个月) 游戏用户活跃度逐渐降低,呈现自然回落之势,但下滑轨迹相对稳定。

Markdown

从数据上来看,休闲游戏、二次元题材和Q版本的美术风格游戏,更适合“放长线、钓大鱼”,健康度相对更高、而在这个领域射击、写实风格则表现较差。最后,我们来看看同为“人型”的“割韭菜”曲线人型(泡沫)曲线:

Markdown

人形(泡沫)曲线-最大特点在于“割韭菜、一波流”,这条曲线与“热点事件”的发展曲线相似,只不过周期相对更长一些。游戏开发者通过大力度的市场推广,在短短四个月的时间内将产品达到爆发期,但爆发期过后带来的是用户大量流失。影响该曲线形成的因素有很多,比如,迫于营收的压力,过于注重“收割”,忽略玩家体验,或者是热点影视题材的选择,又或者“卖端游IP情怀”等等。

人形(泡沫)曲线的四个阶段分别为:“萌芽期”、“爆发期”、“收割期”、“衰退期”:

  • 萌芽期(≤2个月) 社交网络和媒体平台对游戏进行轻度曝光与预热。
  • 爆发期(≈2个月) 游戏被广泛曝光,安装和激活急剧上升。
  • 收割期(≈6个月) 游戏产品承担短期变现压力,结果导致质量难以得到有效保证,加以产品本身热度迅速下滑,游戏创收时间窗口比较狭窄。
  • 衰退期(≥7个月) 活跃用户基础日渐消退,直到被市场和玩家忘记。

Markdown

在这样的泡沫曲线下,没有优势领域,但是在弱势领域上我们能看到一些问题,就像刚刚提到“端游IP手游化”已经成为当下的一种趋势和常态,借助端游情怀与老IP的影响力,游戏能够快速影响到一批玩家,但这也是一把双刃剑,由于情怀玩家对于游戏品质有更高的要求,他们反而会成为最先“弃坑”的人群。受到金庸、古龙等武侠小说的影响,让我们每个人都有一颗“依剑走江湖”的心,但是这类角色扮演游戏也难逃脱“割韭菜”的归宿。

我们在优势领域与弱势领域中都提到了一个词“健康度”,并且借助这一指标,进行“不同题材”、“不同美术风格”、“不同游戏类型”的TGI评判,那么接下来我们看看何谓游戏健康度?

解读游戏健康度模型

Markdown

对于健康度求和加权这种模型我们就不多做赘述了,简单聊聊模型中的M因子,一款游戏健康度的优劣,并不能单独通过活跃/覆盖/留存/市场(TD活跃指数)等运营数据进行评估,因而我们在模型中加入了“游戏社区活跃度”这个维度,反映了玩家对于该游戏的话题讨论及玩法攻略的探讨热度,同时加入了“网络舆情友好度”的数据、应用商店等渠道的玩家评分及口碑词云数据。通过这四个维度加权处理,生成了相对立体的游戏健康度模型(PS:因子M还有很多方面可以扩展)。

从“四种主流游戏生命周期曲线健康度”中可以看到,强运营M曲线/轻运营M曲线,通过游戏运营和较强市场推广,以及人形丘陵曲线通过用户自然培育和扩散为主的方式,能够获得相对较高的健康度。而以“短平快”为代表的人形泡沫曲线则健康度较低,难于持续发展。

归根结底”善待经典IP ,韭菜多割无益。制作不忘初心,游戏方得始终。”

健康度

MarkdownMarkdownMarkdown

崔晓波出席造就FUTURE,探讨人本数据与智慧城市

近日,TalkingData创始人兼CEO 崔晓波出席了由中国领先剧院式演讲平台——造就发起的“2018青春上海·造就FUTURE”演讲大会,并在会上分享了《智慧城市与人本数据》的主题演讲。

Markdown

TalkingData创始人兼CEO 崔晓波

本次大会邀请了50余位来自国内外的行业领袖共同参与,就 人工智能、生命科学、城市生活、数字娱乐、空间设计、极限探索、新商业和未来人类 八大主题进行了深入的探讨。

一、从实体物质化到数字虚拟化

Markdown

TalkingData创始人兼CEO 崔晓波

截至去年,中国的移动手机数量已接近13亿部,可穿戴设备趋于4千万台,数据的体量和维度呈指数级增长,正在为世界带来颠覆性的改变。由于移动互联网的空前增长,人类行为数据也正在高速发展,崔晓波预测:未来十年,物联网的数据体量增幅将超越移动互联网。因此,看世界的角度也要从实体物质化向数字虚拟化化进行转变。

抽象化、数字化已经广泛应用于城市研究和其他商业研究,例如Google将凤凰城进行了数字化模拟,逼真到需要研究员在屏幕贴上标签去区分现实场景和模拟场景。

崔晓波认为:利用增强学习的方法,对世界进行反馈,是未来所有行业所必经的阶段。

二、智慧城市

崔晓波通过一个案例来解读人本数据如何助力智慧城市的发展,与传统的平面城市研究不同的是,TalkingData将城市人群进行了可视化模拟,通过实时数据赋予人群“动感”,形如脉搏。将人群分为红蓝两色以区分高收入和低收入人群后发现:不同阶层、不同收入的两种人群产生了“时空折叠”的现象——即虽同处一座城市,但很少产生互动交流。

崔晓波指出:这种现象不利于城市的健康发展,会给城市带来各种安全、贫富分化以及相应设施配给等一系列问题。

为了有效解决此类问题,TalkingData采集了包括线下行为、位置、轨迹,线上所有访问习惯等千万份数据进行了深度研究,通过机器学习的方法加入新的维度与思维对人群重新分类定义:比如深宅幸福奶爸、应共享经济而生的快递小哥、代驾等“城市自由工”,经常看演出、关注化妆购物等“买买买的年轻文艺女性”等等,去重新定义在飞速变化的社会中的人群属性,以对在城市生活的所有人群有一个清晰、准确的认知。

通过“城市透镜”的感知计算构建出一个不仅包含静态数据也包含动态数据的立体城市模型,一直是都TalkingData所探索的方向,崔晓波表示:大数据不应该是冷冰冰的,要以人为本,反映人的生活习惯,甚至是个性。

但仅仅反映出人的行为仍远远不够,也要追本溯源地去考虑他们背后的心智,因此TalkingData联合MIT媒体实验室成立了人本数据实验室,通过多年的经验积累去研究人类行为背后的心智,人与环境之间的关联等。

在谈到未来城市规划时,崔晓波提到,一些先进的城市规划与建设已经回到了以人为本的本质中,在地标建筑、交通等建设上市民会高度参与。

三、数据改变企业决策 数据改善人类生活

​数据要取之于民用之于民,而不仅仅组用于助力监管部门的管理。崔晓波回忆,早在TalkingData创立之初,几位创始人在公园里一直思考的问题是:数据究竟能解决什么问题?数据的终极是什么?最后得出:数据会改变企业决策;数据改善人类生活的两大结论。

在人工智能和脑科学相结合成为大数据分析领域的热点的今天,崔晓波表示:从数据的角度来看,判断智能只有一个衡量标准:能否代替人做决策。人工智能结合数据产生的决策价值质量若比人的效率高质量更好,那么它就是人工智能。

在演讲的最后崔晓波提到,大数据与城市相结合的力量是无穷的,但大数据和人工智能无法具备人所有的“正直”属性,因此它可善可恶,现今一些数字资产的拥有着和使用者已经偏离的政治的轨道,导致乱象产生,目前TalkingData最重要的是要做一家正直的大数据公司。

TalkingData一直以来都在着眼于在合法合规的基础上通过人本数据助力企业发展以及智慧城市的建设,崔晓波强调,数字化时代已经来临,TalkingData希望与更多的企业和政府机构合作,探索商业变革和智慧城市的新路径。